cnn标签_松山湖开发者村综合服务平台

cnn

卷积神经网络 (CNN) 核心原理全解析：从卷积层到全连接层，从零理解图像识别的核心逻辑

本文系统介绍了卷积神经网络(CNN)的核心架构与工作原理，以花朵分类任务为例，详细解析了CNN的四大核心模块：1)卷积层通过局部感知和权值共享特性高效提取图像特征；2)激活函数(如ReLU)引入非线性能力；3)池化层实现特征降维；4)全连接层完成分类决策。文章重点阐述了CNN相比全连接网络的优势，包括参数效率高、保留空间信息、符合视觉认知逻辑等特性，并深入讲解了各模块的计算公式和工程实现细节。通过

 輕華
2026-03-21 22:14:08

 1259

 12

#cnn #人工智能 #神经网络
PyTorch 深度学习实践——CNN卷积神经网络

本文总结了B站UP主刘二大人《PyTorch深度学习实践》中卷积神经网络的核心知识点。主要内容包括：1）多通道卷积的数学表达式，详细说明了输入输出特征图的维度关系；2）通过图解展示了卷积操作的数值计算过程，包括输入特征图、卷积核、偏置及输出特征图的维度变化；3）介绍了PyTorch实现CNN的代码框架，包含数据准备、网络结构定义（Conv2d、MaxPool2d、Linear等层）、训练和测试流程

 兜兜风d'
2026-03-09 20:01:30

 628

 10

#深度学习 #pytorch #cnn
深度学习：CNN 与 RNN——解锁多模态处理能力

深度学习从模拟生物神经网络出发，已发展出能处理复杂任务的CNN和RNN模型。CNN通过卷积和池化操作高效处理图像空间特征，广泛应用于图像分类、目标检测等视觉任务。RNN则擅长处理序列数据，通过记忆机制捕捉时间依赖关系，在语音识别、机器翻译等任务中表现优异。两者共同构成了深度学习在多模态数据处理中的核心技术基础，为生成式大模型的发展铺平了道路。本文系统梳理了深度学习的发展脉络、核心原理及典型应用，为

 郝学胜-神的一滴
2026-03-08 16:52:27

 3152

 106

#深度学习 #cnn #rnn +3
基于CNN深度学习的卷积神经网络图像识别小程序版9部合集-python-pytorch

本文介绍了一系列基于CNN卷积神经网络的图像识别小程序合集，涵盖水果、中草药、服装、柑橘品级、人脸年龄、香蕉成熟度、手势和花卉等多个领域的识别应用。所有项目均采用Python环境下的PyTorch深度学习框架，通过01.py划分数据集，02.py训练模型并保存为ckpt格式，03flask.py生成HTTP接口实现与微信小程序的交互。用户可通过小程序上传图片，经由HTTP传输至后端进行识别，结果再

 no_work
2026-03-01 15:03:41

 1907

 27

#深度学习 #python #cnn +2
CNN 卷积神经网络：从直观理解到代码实践（含可视化）

CNN卷积神经网络通过多层特征提取实现图像识别，其核心流程为：输入像素→卷积提取边缘纹理→组合局部零件→识别整体物体→分类输出。关键点包括：1）卷积核滑动扫描实现特征检测；2）权值共享减少参数；3）池化层降维保留强特征；4）全连接层完成分类。该过程模拟生物视觉机制，具有平移不变性优势，是计算机视觉的基础架构。

阿峰在学习
2026-02-25 21:00:25

 1387

 15

#cnn #人工智能 #神经网络
神经网络的核心构建模块，理解CNN中卷积层、池化层和全连接层。

在深度学习的视觉任务（图像分类、目标检测、语义分割等）中，卷积神经网络（CNN）凭借其对空间特征的高效提取能力成为主流模型，而**卷积层（Convolution Layer）**、**池化层（Pooling Layer）**和**全连接层（Fully Connected Layer）**正是CNN的三大核心组件。这三层各司其职、层层配合，从原始图像的像素信息中逐步提取低级特征（边缘、纹理）、中级特

 ydl1128
2026-02-09 12:50:31

 1257

 18

#神经网络 #cnn #人工智能
电子厂PCB板焊点缺陷检测（卷积神经网络CNN）

图像预处理（去噪/裁剪）、数据增强（旋转/翻转）、CNN模型构建（ResNet迁移学习）、模型训练与评估、模型存储（MinIO）：API网关、缺陷检测服务（调用CNN模型）、质检系统集成（缺陷标注/统计分析）、分拣控制系统（PLC联动）、监控告警CNN（卷积神经网络）是专为图像设计的深度学习模型，通过局部感知（卷积核提取局部特征）、权值共享（减少参数）、层次化特征提取（浅层边缘→中层纹理→深层语义

 A尘埃
2026-02-08 22:26:12

 1049

 20

#cnn #人工智能 #神经网络
【图像识别】基于卷积神经网络实现垃圾分类附Matlab代码

一、引言：环保需求下，CNN 赋能智能垃圾分类1.1 垃圾分类的痛点与技术解决方案传统垃圾分类依赖人工识别，存在效率低、准确率差、成本高等问题：垃圾类别多（可回收、厨余、有害、其他等细分 10 + 类）；相似垃圾难区分（如纸类 vs cardboard、塑料瓶 vs 玻璃瓶）；环境干扰大（污渍、遮挡、光照变化影响识别）。

Matlab科研工作室
2026-01-26 21:43:46

 989

 22

#cnn #分类 #matlab
池化层全解析：MaxPool vs AvgPool、参数详解、避坑指南与PyTorch实现

池化层（Pooling）是一种无参数的局部信息聚合操作，主要用于降维和增强特征鲁棒性。其名称源于英文"pooling"，意为将数据像汇入池子一样进行浓缩处理。核心操作包括最大池化（取窗口内最大值）和平均池化（取窗口内均值），可有效减小特征图尺寸、提升平移不变性并防止过拟合。池化层对多通道输入会独立处理每个通道，保持通道数不变。现代神经网络中，池化层逐渐被带步长的卷积替代，但在传

 All The Way North-
2026-01-06 19:08:56

 1851

 21

#cnn #深度学习
【自然语言处理】应用03：情感分析：使用卷积神经网络

本文讲解用一维卷积和最大时间汇聚层构建textCNN模型进行情感分析。模型定义多个卷积核捕获局部特征，经汇聚和全连接层输出预测结果，加载预训练词向量后训练，可准确预测句子情感。

Francek Chen
2025-12-22 09:00:00

 1368

 69

#自然语言处理 #cnn #人工智能 +3
基于Python深度学习的车辆车牌识别系统（PyTorch2卷积神经网络CNN+OpenCV4实现）视频教程 - 自定义字符图片数据集

基于Python深度学习的车辆车牌识别系统（PyTorch2卷积神经网络CNN+OpenCV4实现）视频教程 - 自定义字符图片数据集

 java1234_小锋
2025-11-25 08:41:32

 624

 10

#深度学习 #python #cnn
基于深度卷积神经网络与迁移学习的动物图像分类

本文提出了一种基于深度卷积神经网络的动物图像分类方法。项目采用迁移学习技术，通过TensorFlow框架实现高精度动物识别系统，可分类10种动物。研究克服了动物外观多样性、图像质量差异等挑战，特别关注技术伦理问题。实验使用包含24,000余张图像的数据集，采用数据增强、批归一化等技术优化模型性能。开发过程中强调结果复现性，通过设置随机种子确保实验可靠性。该系统在野生动物保护、农业监测等领域具有应用

 Bony-
2025-11-17 16:44:38

 1155

 34

#cnn #迁移学习 #分类
基于卷积神经网络的手写数字识别

摘要：本文基于PyTorch框架实现了一个卷积神经网络（CNN）模型，用于MNIST手写数字识别任务。实验构建了包含卷积层、池化层和全连接层的网络结构，采用交叉熵损失函数和SGD优化器进行训练。结果显示模型在测试集上平均准确率达90.715%，但对风格差异较大的数字（如1和9）识别效果欠佳。研究还开发了PyQt5可视化界面，支持模型训练、图像加载和实时预测功能。实验表明CNN在手写数字识别中具有良

 siuuuuuuuuuuuuuuu
2025-11-15 09:55:05

 1231

 25

#cnn #人工智能 #神经网络
卷积神经网络中的卷积运算原理

CNN卷积运算通过滑动窗口（卷积核）提取图像局部特征（边缘、纹理等），利用参数共享和局部感受野显著减少计算量。卷积核与输入局部区域进行元素相乘求和，步长和填充控制输出尺寸。多通道输入时各通道独立计算后叠加。与数学卷积不同，CNN不翻转核而直接计算（互相关），但因权重可学习效果等价。这种机制赋予CNN平移不变性，使其成为计算机视觉的核心工具。

lingchen1906
2025-10-17 18:45:12

 1563

 32

#cnn #深度学习 #计算机视觉
三种深度学习模型（BiLSTM、CNN-BiLSTM、贝叶斯优化的CNN-BiLSTM/BO-CNN-BiLSTM）对北半球光伏数据进行时间序列预测

在全球能源转型背景下，光伏能源作为清洁可再生能源的核心组成部分，其出力的精准预测对电网调度、能源消纳与光伏电站运营至关重要。北半球作为光伏装机容量的主要集中区域（占全球装机量的 75% 以上），其光伏数据受 “纬度跨度大、季节光照差异显著、天气突变频繁” 等因素影响，呈现出复杂的时序波动特性 —— 例如，高纬度地区冬季日照时长不足 6 小时，夏季可达 16 小时以上，昼夜与季节的光照强度差异导致光

 Matlab科研辅导帮
2025-10-12 19:01:59

 1081

 22

#深度学习 #cnn #人工智能
AI学习日记——卷积神经网络（CNN）：完整实现与可视化分析

本文介绍了SimpleConvNet的完整实现和CNN的可视化分析。SimpleConvNet包含网络架构设计、参数初始化、有序组织层结构以及前向/反向传播的实现。CNN可视化分析展示了权重可视化的过程，揭示了CNN从边缘检测到抽象特征提取的层次化处理机制。最后，文章对比了LeNet和AlexNet两大经典网络架构，指出深度学习从数据驱动、计算能力到算法创新的演进历程，体现了从手工特征设计到端到端

 2301_76925430
2025-10-11 23:47:39

 2106

 48

#人工智能 #学习 #cnn +3
AI学习日记——卷积神经网络（CNN）：卷积层与池化层的概念

本文介绍了卷积神经网络(CNN)的基本结构和工作原理。与全连接网络不同，CNN通过卷积层和池化层处理图像数据，保留了空间结构信息。卷积层利用滤波器提取特征，涉及填充、步幅、三维卷积和多滤波器机制；池化层则通过Max池化、Average池化等方法缩小特征图尺寸。这些特性使CNN能有效处理图像数据，在计算机视觉领域展现显著优势。

2301_76925430
2025-10-08 19:17:46

 1807

 37

#人工智能 #学习 #神经网络 +3
CNN卷积计算

本文详细介绍了使用NumPy实现CNN卷积计算的完整过程。首先定义了一个4x4的输入矩阵和2x2的卷积核，通过滑动窗口的方式对输入矩阵进行局部区域提取。对于每个窗口区域，执行元素对位相乘后求和的卷积运算，并记录详细的计算步骤。最后利用matplotlib可视化展示了输入图像、卷积核、输出特征图以及每一步的计算过程。该示例清晰演示了卷积神经网络中核心的卷积运算原理，为后续使用PyTorch进行CNN

西猫雷婶
2025-10-09 22:59:16

 969

 16

#cnn #人工智能 #神经网络
0.6 卷积神经网络

本文分析了全连接神经网络的缺点，并介绍了卷积神经网络(CNN)的改进方法。全连接层存在参数过多、忽略空间信息等问题，而CNN通过卷积核提取局部特征，具有参数共享、平移不变性等优势。文章详细讲解了卷积计算、批标准化、池化等核心操作，并以CIFAR-10数据集为例，展示了CNN模型的构建、训练和评估过程。通过对比实验验证，CNN能有效降低参数量、提高特征提取能力，是处理图像数据的优选架构。

qq_34047402
2025-10-07 23:35:35

 1222

 27

#cnn #人工智能 #神经网络
基于黑翅鸢优化算法BKA-CNN-LSTM、CNN-LSTM、LSTM、CNN四模型多变量回归预测，多输入单输出Matlab实现

在当今数字化时代，多变量回归预测在众多领域中都发挥着举足轻重的作用。在金融领域，它能够综合利率、汇率、宏观经济指标等多个变量，预测股票价格走势，帮助投资者制定合理的投资策略，规避风险，实现资产的稳健增长。在能源领域，结合光照强度、温度、湿度等多变量，预测光伏功率，对于优化能源调度、提高能源利用效率意义重大，有助于推动清洁能源的广泛应用。在交通领域，通过分析历史交通流量、时间、天气状况等因素，预测未

 matlab科研助手
2025-10-08 21:52:42

 798

 29

#算法 #cnn #lstm
Python TensorFlow的CNN-LSTM-GRU集成模型在边缘物联网数据IoT电动汽车充电站入侵检测应用

原文出处：拓端抖音号@拓端tecdat随着物联网（IoT）技术在电动汽车充电站（EVCS）中的普及，充电站不仅成为智能交通的关键节点，更因连接电网、用户设备与管理系统，成为网络攻击的重点目标。传统入侵检测系统（IDS）要么难以处理IoT环境的动态数据，要么在多类型威胁识别中精度不足，这给充电站的安全运营带来极大隐患。

拓端研究室
2025-09-15 18:29:22

 1178

 24

#物联网 #cnn #lstm
深度学习——基于卷积神经网络实现食物图像分类（数据增强）

我们将使用自定义的食物数据集，构建一个卷积神经网络(CNN)模型，并实现完整的训练流程。a = (pred.argmax(1) == y) #dim=1表示每一行中的最大值对应的索引号，dim=0表示每一列中的最大值对应的索引号。nn.MaxPool2d(kernel_size=2),# 进行池化操作(2×2操作),输出结果为(16,128,128)x = x.view(x.size(0),-1)

2501_91113915
2025-09-02 21:36:41

 1442

 13

#深度学习 #cnn #分类
深度学习之第五课卷积神经网络 (CNN)如何训练自己的数据集（食物分类）

本文介绍了使用自定义数据集训练CNN模型的全流程。首先通过Python脚本将分类图片数据集转换为标准格式，包含图像路径和标签索引。然后定义了数据预处理流程，包括图像统一尺寸和转换为Tensor。接着创建自定义Dataset类实现数据加载，并构建包含3个卷积层的CNN模型。训练过程中采用了交叉熵损失、Adam优化器和学习率调度策略。针对数据量不足的问题，提出了数据增强方案，包括随机旋转、翻转、裁剪等

 m0_74977182
2025-09-02 20:47:52

 2098

 50

#深度学习 #cnn #人工智能
深度学习——卷积神经网络

在当今的数字化时代，图像识别技术已经渗透到我们生活的方方面面，从智能手机的相机功能到自动驾驶汽车的环境感知，都离不开图像识别技术的支持。图像识别技术使得机器能够像人类一样理解和解释视觉信息，从而在众多领域发挥着重要作用。而在众多图像识别技术中，卷积神经网络（Convolutional Neural Networks，简称CNN）以其独特的结构和强大的功能，成为了图像识别领域的核心力量。CNN不仅在

 qq1851417332
2025-09-03 21:35:03

 2223

 25

#深度学习 #cnn #人工智能
深度学习-计算机视觉-微调 Fine-tune

迁移学习通过利用预训练模型（如ImageNet上的ResNet-18）学习到的通用视觉特征（边缘、纹理、形状等），将其迁移到新任务（如热狗识别）以提升性能。核心方法包括：1）替换输出层适配新任务；2）微调模型参数（特征层使用小学习率，输出层大学习率）。实验表明，微调预训练模型（测试准确率93.9%）显著优于从头训练（84.3%），尤其适合小数据集场景。代码实现了数据增强、模型结构调整和分层学习率优

 若天明
2025-08-18 21:03:14

 1575

 43

#深度学习 #计算机视觉 #人工智能 +3
【CV 目标检测】②R-CNN模型

训练阶段多，训练耗时：微调CNN网络+训练SVM+训练边框回归器预测速度慢：使用GPU，VGG16模型处理一张图像需要47s占用磁盘空间大：5000张图像产生几百G的特征文件。数据的形状变化：候选区域要经过缩放来固定大小，无法保证目标的不变形。

TY-2025
2025-08-15 23:53:54

 986

 17

#目标检测 #r语言 #cnn
通俗易懂卷积神经网络（CNN）指南

本文用直观类比和可视化方法，帮你彻底理解CNN的工作原理，无需深厚数学基础也能掌握计算机视觉的核心技术。卷积神经网络（CNN）是深度学习中，它彻底改变了计算机"看世界"的方式。本文将用最直观的方式带你理解CNN的核心原理，揭开AI视觉识别的神秘面纱。

weijiayi040512
2025-07-21 23:50:33

 2137

 42

#cnn #人工智能 #神经网络
卷积神经网络：LeNet模型

LeNet由Yann Lecun 提出，是一种经典的卷积神经网络，是现代卷积神经网络的起源之一，主要用于解决手写数字识别问题。LeNet又称LeNet-5,具有一个输入层，两个卷积层，两个池化层，3个全连接层（其中最后一个全连接层为输出层）。各个结构作用：卷积层：提取特征图的特征，浅层的卷积提取的是一些纹路、轮廓等浅层的空间特征，对于深层的卷积，可以提取出深层次的空间特征。池化层： 1、降低维度

 m53421
2025-07-22 19:48:54

 1611

 31

#cnn #深度学习 #机器学习
深度学习04 卷积神经网络CNN

卷积神经网络可以简单理解为包含卷积层和池化层的神经网络模型,主要用于图形方面"""参数说明：in_channels: 输入通道数，RGB图片一般是3out_channels: 输出通道，也可以理解为卷积核kernel的数量kernel_size：卷积核的高和宽设置，一般为3,5,7...stride：卷积核移动的步长整数stride：表示在所有维度上使用相同的步长 stride=2 表示在水平和垂

 m0_54235621
2025-06-30 21:09:45

 2026

 39

#深度学习 #cnn #人工智能
【NLP 实战】蒙古语情感分析：从 CNN 架构设计到模型训练的全流程解析（内附项目源码及模型成果）

针对蒙古语情感分析难题，本文基于 CNN 构建模型。结合蒙古语语言特征设计词向量与预处理流程，通过多层卷积提取情感特征，优化注意力机制强化关键语义。基于社交媒体语料实验，实现 93.0% 分类准确率，解析数据处理、模型调优全流程，为少数民族语言 NLP 提供工程方案。

张智超吖.
2025-06-29 21:47:29

 1560

 38

#cnn #人工智能 #神经网络 +3
第三章卷积神经网络

卷积神经网络（CNN）是计算机视觉的核心架构，本章系统介绍了CNN的基础原理和典型结构。首先阐述了卷积的数学定义与变种（包括一维/二维卷积、互相关、转置卷积和空洞卷积），以及步长、填充等关键参数。其次详细解析了CNN的核心组件（卷积层和池化层）及其参数学习机制。最后重点介绍了经典CNN模型的发展历程，包括开创性的LeNet-5、引入ReLU和Dropout的AlexNet、多尺度并行的Incept

&Xiao
2025-06-22 10:20:12

 2159

 34

#cnn #人工智能 #神经网络 +4
Pytorch 卷积神经网络参数说明一

本文基于前面两个实战，主要讲解了神经网络中的细节层，包括卷积层、池化层、全连接层、损失层等等。给出了其作用和关键代码函数接口。

四川兔兔
2025-06-14 23:23:07

 1631

 30

#pytorch #cnn #人工智能
（六）卷积神经网络：深度学习在计算机视觉中的应用

卷积神经网络（Convolutional Neural Network，CNN）是一类专门用于处理具有网格结构数据（如图像、音频）的深度学习模型。CNN 在图像识别、视频分析等领域取得了巨大成功，其独特的架构设计使其能够有效地提取数据中的空间和时间相关性。

hanyuge
2025-06-08 23:25:59

 2069

 31

#深度学习 #cnn #计算机视觉
卷积神经网络(CNN)完全指南：从原理到实战

卷积神经网络(CNN)完全指南：从原理到实战

 2501_91537435
2025-06-01 16:44:54

 1830

 23

#cnn #人工智能 #神经网络
计算机视觉与深度学习｜ Python实现EMD-SSA-VMD-LSTM-Attention时间序列预测（完整源码和数据)

以下是用Python实现时间序列预测的完整解决方案。该方案结合了四层信号分解技术与注意力增强的深度学习模型，适用于处理高度非平稳的复杂时间序列。

卡尔曼的BD SLAMer
2025-05-17 20:18:06

 1543

 8

#lstm #python #深度学习 +2
基于CNN卷积神经网络的带频偏QPSK调制信号检测识别算法matlab仿真

本文介绍了一种基于卷积神经网络（CNN）的QPSK调制信号检测与识别算法。文章首先展示了算法运行效果图，并提供了Matlab 2024b版本的运行环境。核心程序部分详细描述了算法的实现过程，包括数据分类、误检率与漏检率的计算，以及准确率的评估。算法理论部分阐述了QPSK调制原理及其在频偏情况下的信号处理问题，并介绍了CNN在信号处理中的应用。最后，文章提供了完整的程序工程，包括训练集和验证集的划分

 aycd1234
2025-05-10 19:00:21

 1302

 4

#cnn #matlab
机器学习实操第二部分神经网路和深度学习第14章使用卷积神经网络进行深度计算机视觉

通过本章的学习，读者将掌握卷积神经网络（CNNs）的基本原理和实现方法。内容涵盖了CNN的构建块、经典架构、目标检测和语义分割等高级应用，以及如何使用Keras实现CNN模型和进行迁移学习。这些知识将帮助读者在计算机视觉领域构建高效、准确的模型。

qq_26226783
2025-05-07 14:35:49

 1428

 24

#机器学习 #cnn #计算机视觉
【从神经网络到Transformer及NLP大模型的初步理解】

本文旨在对神经网络基础概念进行介绍，然后对NLP领域的发展脉络继续粗述，包括对当前大模型基础的Transfomer结构的由来、发展及原理进行简单说明，让大家对神经网络（深度学习）和当前的大模型以及涉及的预训练、微调等概念有个基本认识，其中涉及的数据学推理等并不作为本文说明的重点，大家有兴趣可以自行研究。（PS：其中涉及一些的对NLP模型的理解，大家见仁见智）

coder_zrx
2025-05-06 17:43:26

 1597

 10

#人工智能 #神经网络 #cnn +4
深度学习--卷积神经网络数据增强

*数据增强(Data Augmentation)：**缓解深度学习中数据不足的场景，在图像领域首先得到广泛使用，进而延伸到 NLP 领域，并在许多任务上取得效果。一个主要的方向是增加训练数据的多样性，从而提高模型泛化能力。本文将深入探讨数据增强的原理、常用方法及其在CNN中的应用实践。数据增强是CNN训练中简单却高效的“免费午餐”，通过模拟真实世界的数据多样性，显著提升模型的泛化能力。随着Auto

多巴胺与内啡肽.
2025-04-22 20:47:48

 1981

 21

#深度学习 #cnn #人工智能
卷积神经网络（CNN）详解

卷积神经网络是多层感知机 (MLP)的变种，由生物学家休博尔和维瑟尔在早期关于猫视觉皮层的研究发展而来，视觉皮层的细胞存在一个复杂的构造，这些细胞对视觉输入空间的子区域非常敏感，称之为感受野。CNN由纽约大学的Yann Lecun（杨立昆）于1998年提出(LeNet-5)，其本质是一个多层感知机，成功的原因在于其所采用的局部连接和权值共享的方式：一方面减少了权值的数量使得网络易于优化；另一方面降

 zdx2585503940
2025-04-19 17:05:47

 9115

 122

#cnn #人工智能 #神经网络
深度学习四大核心架构：神经网络（NN）、卷积神经网络（CNN）、循环神经网络（RNN）与Transformer全概述

NN→ 类比：盲人摸象，每个神经元独立感知全局特征→ 局限：输入图像需展平为向量，丢失空间信息（如将28x28图片变成784维向量）CNN→ 类比：人类视觉系统，先识别边缘→形状→物体→ 实战：用3x3卷积核扫描猫的图片，提取耳朵、胡须等局部特征RNN→ 类比：阅读理解，需记住前文才能理解后文→ 痛点：输入句子“The cat sat on the mat”，到第6个单词时可能已遗忘“cat”Tr

努力中的少年
2025-03-26 11:41:35

 2649

 18

#深度学习 #神经网络 #cnn
卷积神经网络 - 参数学习

本文我们通过两个简化的例子，展示如何从前向传播、损失计算，到反向传播推导梯度，再到参数更新，完整地描述卷积层的参数学习过程。

谦亨有终
2025-03-20 19:20:48

 2617

 32

#cnn #学习 #深度学习 +3
卷积神经网络 - 梯度和反向传播算法

在卷积网络中，参数为卷积核中权重以及偏置。和全连接前馈网络类似，卷积网络也可以通过误差反向传播算法来进行参数学习。本文我们从数学角度，来学习卷积神经网络梯度的推导和其反向传播算法的原理。

谦亨有终
2025-03-21 15:54:11

 2015

 21

#cnn #算法 #深度学习 +3
【现代深度学习技术】卷积神经网络06：卷积神经网络（LeNet）

本文讲解深度学习中的卷积神经网络(LeNet)。在卷积神经网络中，我们组合使用卷积层、非线性激活函数和汇聚层。为了构造高性能的卷积神经网络，我们通常对卷积层进行排列，逐渐降低其表示的空间分辨率，同时增加通道数。

Francek Chen
2025-03-11 10:23:10

 1866

 58

#深度学习 #cnn #人工智能 +2
深度学习之卷积神经网络（CNN）

卷积神经网络通过其独特的局部连接和权值共享机制，成为图像处理领域的核心工具。从LeNet到Transformer-CNN混合模型，其架构不断进化，应用场景也从简单的分类扩展到跨模态理解。未来，随着轻量化、自监督学习和可解释性技术的突破，CNN将继续推动人工智能在医疗、自动驾驶、工业检测等领域的落地。理解CNN的原理与实践，是深入计算机视觉领域的必经之路。fg。

windwant
2025-03-08 13:37:03

 3500

 43

#cnn #人工智能 #神经网络
CNN（Convolutional Neural Networks）卷积神经网络深度理解

其实我们最做卷积的过程中就是一步一步的减少权重，避免过度拟合，从最开始的fully connected layer，就是每一个参数乘上每一个neurons，到receptive field，变成3*3*3的张量，再乘上各自的neurons，到最后共享参数，每一个3*3*3乘上同一个neurons，完成了卷积操作。

临场戏谈
2025-03-07 16:12:41

 1247

 13

#cnn #机器学习 #深度学习
图像识别-pytorch

这里使用的反向传播（误差反传）输出层——各隐藏层——输入层。

2401_84627304
2025-02-24 16:55:01

 1724

 52

#机器学习 #cnn #pytorch
【现代深度学习技术】卷积神经网络02：图像卷积

本文介绍了卷积神经网络中的图像卷积，阐述了其与卷积层的关联、在二维图像数据和隐藏表示中的处理过程、与严格卷积的区别、在图像数据中的应用、卷积层的参数、输出张量的形状以及互相关运算的优势。

Francek Chen
2025-02-24 10:57:09

 2283

 72

#深度学习 #cnn #人工智能 +2